本發明涉及電極制備，尤其涉及一種基于機器學習與流場仿真優化的激光制備電極的方法及其電極。
背景技術：
1、水電解技術是清潔氫氣生產的核心途徑，通過在電極上施加電壓將水分解為氫氣和氧氣，具有高效率、低溫操作和緊湊結構的優勢。目前，電極通常采用貴金屬催化劑負載，如ruo2，用于氧析出反應（oer），催化劑仍依賴高貴金屬，成本高昂；
2、在材料篩選方面，高通量篩選（hts）技術已用于快速評估電催化劑，結合密度泛函理論（dft）的計算高通量篩選可預測電催化材料性能，但多限于理論層面；
3、此外，主動學習作為機器學習的一種形式，已應用于優化多金屬催化劑的發現，通過貝葉斯優化減少實驗次數，并在水電解電極設計中展示潛力，如，多階段ml方法結合數據挖掘和域適應，而流場仿真（cfd）在催化劑設計中至關重要，用于模擬氣體/液體分布和質量傳輸，現有研究通過cfd優化流場板結構，然而，這些仿真多針對雙極板，而非直接指導電極表面微結構；
4、自適應光學在激光加工中提供靈活性，但尚未廣泛整合到電極的多尺度結構設計中。
5、整體而言，現有的技術在降低貴金屬使用和提升合成效率存在挑戰，缺乏將ml驅動合金優化、流場仿真和激光加工整合的系統方法。
技術實現思路
1、鑒于上述的分析，本發明實施例旨在提供了一種基于機器學習與流場仿真優化的激光制備電極的方法及其電極，用以解決水電解電極成本高、活性不足、表面結構導致質量傳輸和流體分布不均、加工效率低下的問題之一。
2、一方面，本發明實施例提供了一種基于機器學習與流場仿真優化的激光制備電極的方法，包括：
3、s1：構建參數數據庫；
4、s2：配置前驅體溶液；
5、s3：將前驅體溶液滴加在樣品上，然后對樣品進行加熱干燥；
6、s4：構建多通道電化學測試模塊；
7、s5：在電極板上進行合金元素配方的高通量測試；
8、s6：收集樣本數據，對樣本數據主動學習優化；
9、s7：流場仿真設計電極結構；
10、s8：采用時空整形的飛秒激光，對負載了催化劑的基材進行加工，獲得電極材料；
11、其中，所述參數數據庫包括前驅體參數和激光加工參數的初始數據；
12、其中，基于數據庫中的初始數據，將前驅體鹽溶于去離子水中，配置前驅體溶液。
13、進一步的，所述前驅體鹽包括rucl3·xh2o、mncl2、nicl2·6h2o；
14、優選的，所述前驅體鹽選自rucl3·xh2o、mncl2、nicl2·6h2o；
15、其中，所述初始數據至少10組，優選的，初始數據至少20組，包括ru:mn:ni比例0-100mm:0-100mm:?0-100mm，激光參數功率50-500mw；激光掃描速度0.5-5mm/s。
16、進一步的，在所述s3中，所述樣品為基底，在加熱臺上對樣品進行加熱干燥，以去除溶劑，形成前驅體涂層；
17、其中，干燥溫度為：80-100℃，干燥時間為：5-20min。
18、進一步的，在所述s4中，所述多通道電化學測試模塊包括電化學工作站、蠕動泵、加熱棒、水浴鍋和陽極板；
19、其中，蠕動泵：用于使電解液流動起來；
20、加熱棒：用于將器件加熱到設定溫度下進行測試；
21、水浴鍋：用于加熱電解液；
22、陽極板：陽極板為pcb板，具有多個金屬電極點，用于負載催化劑，陽極板上可以做陣列催化劑點，同步獲取所有催化劑的電壓電流響應曲線，獲得性能。
23、進一步的，在所述s5中，對n組初始數據進行同步測試，測試方法包括：在陽極板上做陣列催化劑點，初始數據是n個，在陽極板上滴n種前驅體，加熱、激光還原獲得催化劑，將這個陽極板、交換膜、陰極板組裝，通入電解液，加熱棒及水浴鍋用于加熱到60℃，電化學工作站施加電壓，獲得各個催化劑的響應電流，同步獲取所有催化劑的電壓電流響應曲線，獲得性能參數；
24、其中，n≥10；優選的，n≥20。
25、進一步的，在所述s6中，包括：
26、s601：基于篩選數據，使用多個回歸模型對初始數據進行回歸分析，選擇對初始數據預測更精準的模型，并繪制擬合圖；
27、s602：預測并迭代優化合金組成；
28、其中，更精準的模型選擇r2接近1和rmse值小的模型；
29、其中，所述回歸模型選自xgbr、knn、rf、mlp；
30、其中，在確定最優模型后，進入迭代優化階段；優化階段包括：使用最優模型訓練一個均值預測模型并基于分位數回歸分別訓練用于估計置信區間上、下界的兩個分位數模型，借助這些模型，計算各候選參數點的期望改進；
31、其中，訓練均值預測模型包括：基于初始數據n組，輸入前驅體參數與激光參數，輸出參數是過電位；
32、其中，分位數模型用于估計置信區間的下界和上界，訓練分位數模型包括：輸入：同均值預測模型；輸出：過電位的分位數；
33、其中，候選參數點包括：生成參數空間，ru:mn:ni比例0-100mm:0-100mm:?0-100mm，間隔5；激光參數功率50-500mw；激光掃描速度0.5-5mm/s；
34、其中，經3–5輪迭代后，模型逐漸聚焦于潛在的最優解區域，最終輸出一組最優的加工參數組合。
35、進一步的，在所述s6中，最優加工參數組合包括：
36、將ru、mn、ni的前驅體鹽，即rucl3·xh2o、mncl2、nicl2·6h2o，溶于去離子水中，配制總金屬離子濃度為300?mm的溶液，其中ru:mn:ni的摩爾濃度比為?57:15:18；利用激光參數139mw,?4.5mm/s來加工；
37、采用碳紙或商業親水性的鎳氈作為基底，將上述前驅體溶液均勻滴涂于鎳氈上，置于80℃加熱臺上干燥10min；
38、其中，配置前驅體溶液時，rucl3·xh2o:?49.9?mg、mncl2·4h2o:?9.9?mg、nicl2·6h2o:?14.3?mg；去離子水添加量:?最終通過定容至?1?ml?來控制；溫度在?80-100℃下進行溶解操作；使用磁力攪拌子，在加熱的同時攪拌至少?5min至完全溶解。
39、進一步的，在所述s7中，基于獲得的最優的加工參數來加工一體化電極；
40、使用cfd軟件模擬電解槽流場，依據流場表面的均勻性情況優化表面微孔、微米線和mm溝槽；
41、優化目標：表面微孔：直徑5-500μm，沿深度漸變；微米線：直徑1-100μm，高10-100μm；mm溝槽：寬0.5-2mm，深0.1-1mm；
42、邊界條件包括電解液流速0.1-10?ml/min、溫度60℃。
43、進一步的，在所述s8中，所述整形采用雙折射晶體（該晶體（優選為α-bbo、方解石或yvo4晶體）將單一脈沖的飛秒激光在空間上分離為兩個具有正交偏振態的平行子脈沖；時間延遲（δt）為200fs-500fs）與柱面鏡組合將光斑整形為5mm×50μm的線焦點；激光加工參數為：激光功率設置為139mw，掃描速度為4.5mm/s，激光器固定參數為35fs，1000hz，800nm；
44、基于cfd流場仿真結果，使用同一臺飛秒激光在最優化合金參數的催化層上加工分級微槽結構，獲得電極；
45、其中，分級微槽結構包含寬度分別為300μm、400μm、500μm的微槽各10條。
46、一方面，本發明實施例提供了一種基于機器學習與流場仿真優化的激光制備的電極，所述電極采用上述中任一項所述的方法制備所得。
47、與現有技術相比，本發明至少可實現如下有益效果之一：
48、本發明通過高通量篩選初始化合金（如rumnni）組成，主動學習迭代優化，流場仿真指導表面結構設計，時空整形激光加工實現高精度制造，最終負載合金氧化物，實現過電位降低和耐久性，實現工業規模氫氣生產。
49、本發明基于機器學習與流場仿真優化的激光制備的電極，具有低貴金屬負載：貴金屬負載降低（mnni降低ru的貴金屬載量，通過電感耦合等離子體-質譜法，測得催化劑中貴金屬ru的負載量僅為0.5mg/cm2）；結合初始數據，發現初始數據要用100mm的ru，經過三輪優化，只要用57mm的ru，通過合金優化(mnni改善性能)和結構增強(微槽結構，增強氣泡傳輸及傳質)維持活性，降低了成本。
50、本發明基于機器學習與流場仿真優化的激光制備的電極，具有優異的電化學性能：在1m?koh電解液中，組裝成電解槽進行測試，該一體化電極在電流密度達到100?ma/cm2時的析氧過電位僅為340?mv，提升電化學性能（過電位降低6.8%，365到340mv），展現出極高的本征活性。
51、本發明提供的基于機器學習與流場仿真優化的激光制備電極的方法具有卓越的穩定性與工業應用前景：微槽加工后，在0.5?a/cm2的高電流密度下連續運行超過100小時，電壓未發生顯著衰減；在2.49v槽壓下即可實現2?a/cm2的電流密度（2.6v到2.49v，降低4%），具有耐久性能（>100h穩定性），性能優于絕大多數報道的非貴金屬基催化劑。
52、本發明通過“主動學習”優化策略，僅通過25次實驗便確定了最優配方與工藝，相比全因素實驗效率提升了數十萬倍（ru:mn:ni比例0-100mm:0-100mm:?0-100mm，間隔5；激光參數功率50-500mw（間隔10）；激光掃描速度0.5-5mm/s（間隔0.5）全因素實驗約為4,260,060次，而本發明僅需25次）；同時，激光時空整形將加工效率提升了500倍(柱面鏡將光場進行整形，傳統平凸及物鏡聚焦后約為5微米光斑，柱面鏡整形后約為5mm)。
53、本發明通過主動學習驅動的合金優化、流場仿真和時空整形激光加工這三項技術整合為一個閉環系統，實現了從設計到制造的智能化，解決了現有技術的上述不足。
54、本發明提供的基于機器學習與流場仿真優化的激光制備電極的方法，工業適用性好，該方法可規模化，適用于多種基材（如鎳氈、碳紙、泡沫鎳、ti氈），為綠色氫能產業提供高效、低成本的解決方案。